Geração de conjuntos de dados para aplicações de visão computacional em ambientes subaquáticos

Abstract

O presente estudo, desenvolvido em torno de aplicações para métodos de visão computacional e aprendizagem de máquina aplicados à imagens capturadas em ambientes subaquáticos, compreende na criação de conjuntos de dados, ou também chamados de datasets, para aplicações voltadas para restauração de imagens podendo ser estendida à outras áreas da visão computacional. De maneira mais detalhada o trabalho tem como objetivo a criação de dois tipos de conjuntos de dados, contendo: (i) imagens geradas a partir de um ambiente controlado onde as condições do meio e a degradação presente em cada imagem podem ser acessadas e monitoradas, (ii) imagens geradas através da síntese da degradação causada por ambientes participativos a fim de criar conjuntos de dados simulados de larga escala. Neste contexto, primeiramente foi proposto uma metodologia para a reprodução de ambientes subaquáticos em um ambiente controlado. Estes ambientes contam com a presença de características encontradas em cenas naturais onde as condições do meio podem ser controladas. A partir dessa metodologia é viável a criação de diferentes conjuntos de dados contendo imagens degradadas onde o acesso a imagem de referência, ou seja, a mesma cena sem degradação sob as mesmas condições, assim como a produção de tipos e intensidades de degradação distintos é possível. Visto como uma das contribuições do presente trabalho, o dataset TURBID 3D contendo todas as imagens geradas neste ambiente, bem como algumas das suas aplicações relacionadas aos métodos de restauração de imagens podem ser acessadas a partir do endereço: http://amandaduarte.com.br/turbid. Ao que se refere a segunda contribuição, foi criado um simulador, chamado de TURBI, capaz de simular em imagens não degradadas a degradação causada por meios participativos a partir de fragmentos de uma imagem capturada em um ambiente natural. A partir do desenvolvimento do simulador TURBI, é possível a criação de datasets simulados de larga escala contendo pares de imagens (imagens degradadas e suas respectivas imagens de referencia). A criação de datasets de larga escala contribui para o avanço no desenvolvimento de novas abordagens utilizando métodos baseados em aprendizagem, como Deep Learning, que necessitam uma grande quantidade de imagens para serem treinados. O código-fonte do simulador bem como algumas das imagens utilizadas para a geração dos datasets de larga escala podem ser acessados pelo endereço: https://github.com/mandacduarte/Underwater_Simulator. A criação de ambos conjuntos de dados assim como algumas das aplicações onde as imagens geradas foram utilizadas são apresentados no decorrer deste trabalho.

The present study, developed around contributions to computer vision and machine learning methods applied to images captured in underwater environments, comprises the creation of datasets for applications focused on image restoration and more areas of computer vision. Specifically, this work is focused on the creation of two types of datasets containing: (i) images generated from a controlled environment where the media conditions and the degradation present in each image can be accessed and monitored, ii) images generated through the synthesis of degradation caused by participating media in order to create large-scale datasets. In this context, it was first created an controlled underwater environment with characteristics found in natural environments. Through this environment it is possible to create different datasets containing degraded images where to the reference image, (the same scene without degradation under the same conditions) as well as different types and levels of degradation is available . Seen as one of the contributions of the present work, the dataset TURBID 3D containing all the images generated in this environment, as well as some of its applications related to image restoration methods can be accessed by the address: http://amandaduarte.com.br/turbid. Refering to the second contribution, a simulator called TURBI was created. With this simulator it is possible to synthesize in non-degraded images the degradation caused by participating media from patches of an image captured in a natural environment. With the TURBI simulator, it is possible to create large-scale datasets containing pairs of images (degraded images and their respective reference images). Large scale datasets contribute to the development of new approaches using learning-based methods such as deep learning, which require a large amount of images to be trained. The simulator code as well as some of the images used for large-scale datasets generation can be accessed at:https://github.com/mandacduarte/Underwater_Simulator. The creation of both datasets as well as some of applications made using the generated images are presented in the course of this work.